Irisan indeks numpy tanpa kehilangan informasi dimensi

Question 1

Saya menggunakan numpy dan ingin mengindeks baris tanpa kehilangan informasi dimensi.

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10,:]
xslice.shape   # >> (10,)

Dalam contoh ini xslice sekarang menjadi 1 dimensi, tetapi saya menginginkannya menjadi (1,10). Di R, saya akan menggunakan X [10,:, drop = F]. Apa ada yang mirip di numpy. Saya tidak dapat menemukannya di dokumentasi dan tidak melihat pertanyaan serupa yang diajukan.

Terima kasih!

Question 2

Mungkin paling mudah untuk dilakukan x[None, 10, :]atau setara (tetapi lebih mudah dibaca) x[np.newaxis, 10, :].

Sejauh mengapa itu bukan default, secara pribadi, saya menemukan bahwa terus-menerus memiliki array dengan dimensi tunggal menjadi sangat cepat mengganggu. Kurasa para developer numpy merasakan hal yang sama.

Juga, numpy menangani array penyiaran dengan sangat baik, jadi biasanya ada sedikit alasan untuk mempertahankan dimensi dari array asal potongan. Jika ya, maka hal-hal seperti:

a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b

tidak akan berhasil atau akan jauh lebih sulit untuk diterapkan.

(Atau setidaknya itulah tebakan saya pada alasan dev yang numpy di balik menjatuhkan info dimensi saat mengiris)

Question 3

Solusi lain adalah melakukannya

X[[10],:]

atau

I = array([10])
X[I,:]

Dimensi array dipertahankan saat pengindeksan dilakukan oleh daftar (atau array) indeks. Ini bagus karena memberi Anda pilihan antara menjaga dimensi dan menekan.

Question 4

Saya menemukan beberapa solusi yang masuk akal.

1) gunakan numpy.take(X,[10],0)

2) gunakan pengindeksan aneh ini X[10:11:, :]

Idealnya, ini harus menjadi default. Saya tidak pernah mengerti mengapa dimensi pernah dijatuhkan. Tapi itu pembahasan untuk numpy ...

Question 5

Inilah alternatif yang saya lebih suka. Alih-alih mengindeks dengan satu nomor, buat indeks dengan rentang. Artinya, gunakan X[10:11,:]. (Perhatikan bahwa 10:11tidak termasuk 11).

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10:11,:]
xslice.shape   # >> (1,10)

Ini membuatnya mudah untuk dipahami dengan lebih banyak dimensi juga, tidak ada Nonejuggling dan mencari tahu sumbu mana untuk menggunakan indeks mana. Juga tidak perlu melakukan pembukuan tambahan terkait ukuran array, hanya i:i+1untuk semua iyang akan Anda gunakan dalam pengindeksan biasa.

b = np.ones((2, 3, 4))
b.shape # >> (2, 3, 4)
b[1:2,:,:].shape  # >> (1, 3, 4)
b[:, 2:3, :].shape .  # >> (2, 1, 4)

Question 6

Untuk menambah solusi yang melibatkan pengindeksan berdasarkan daftar atau larik oleh gnebehay, juga memungkinkan untuk menggunakan tupel:

X[(10,),:]

Question 7

Hal ini sangat mengganggu jika Anda mengindeks oleh array yang mungkin berukuran panjang 1 saat runtime. Untuk kasus itu, ada np.ix_:

some_array[np.ix_(row_index,column_index)]

Answer 1

Saya menggunakan numpy dan ingin mengindeks baris tanpa kehilangan informasi dimensi.

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10,:]
xslice.shape   # >> (10,)

Dalam contoh ini xslice sekarang menjadi 1 dimensi, tetapi saya menginginkannya menjadi (1,10). Di R, saya akan menggunakan X [10,:, drop = F]. Apa ada yang mirip di numpy. Saya tidak dapat menemukannya di dokumentasi dan tidak melihat pertanyaan serupa yang diajukan.

Terima kasih!

Answer 2

59

Mungkin paling mudah untuk dilakukan x[None, 10, :]atau setara (tetapi lebih mudah dibaca) x[np.newaxis, 10, :].

Sejauh mengapa itu bukan default, secara pribadi, saya menemukan bahwa terus-menerus memiliki array dengan dimensi tunggal menjadi sangat cepat mengganggu. Kurasa para developer numpy merasakan hal yang sama.

Juga, numpy menangani array penyiaran dengan sangat baik, jadi biasanya ada sedikit alasan untuk mempertahankan dimensi dari array asal potongan. Jika ya, maka hal-hal seperti:

a = np.zeros((100,100,10))
b = np.zeros(100,10)
a[0,:,:] = b

tidak akan berhasil atau akan jauh lebih sulit untuk diterapkan.

(Atau setidaknya itulah tebakan saya pada alasan dev yang numpy di balik menjatuhkan info dimensi saat mengiris)

Joe Kington
sumber

6

@ Lisa: x[None, 10]akan melakukan apa yang kamu inginkan.

n nothing101

Ya. Letakkan Nones Anda di samping redup yang Anda potong.

Fisikawan Gila

1

Contoh tidak ada tanda kurung tambahan untuk tupel dalam tugas ke b; seharusnya begitu b = np.zeros((100,10)).

Jerzy

Apa alasan menggunakan total 3 indeks, bukan hanya dua? Maksud saya X[10,None](menggunakan kode Anda sebagai contoh).

greenoldman

9

" Biasanya ada sedikit alasan untuk mempertahankan dimensi array " ... Yah, itu pasti, sama sekali, dan sepenuhnya mengacaukan perkalian matriks ( np.matmul()atau@ ). Baru saja terbakar oleh ini.

Jean-François Corbett

Answer 3

6

@ Lisa: x[None, 10]akan melakukan apa yang kamu inginkan.

n nothing101

Answer 4

Ya. Letakkan Nones Anda di samping redup yang Anda potong.

Fisikawan Gila

Answer 5

1

Contoh tidak ada tanda kurung tambahan untuk tupel dalam tugas ke b; seharusnya begitu b = np.zeros((100,10)).

Jerzy

Answer 6

Apa alasan menggunakan total 3 indeks, bukan hanya dua? Maksud saya X[10,None](menggunakan kode Anda sebagai contoh).

greenoldman

Answer 7

9

" Biasanya ada sedikit alasan untuk mempertahankan dimensi array " ... Yah, itu pasti, sama sekali, dan sepenuhnya mengacaukan perkalian matriks ( np.matmul()atau@ ). Baru saja terbakar oleh ini.

Jean-François Corbett

Answer 8

93

Solusi lain adalah melakukannya

X[[10],:]

atau

I = array([10])
X[I,:]

Dimensi array dipertahankan saat pengindeksan dilakukan oleh daftar (atau array) indeks. Ini bagus karena memberi Anda pilihan antara menjaga dimensi dan menekan.

gnebehay.dll
sumber

2

Ini menyalin data array

Per

Ini tidak selalu terjadi. Lihat: x = np.array([[1,2,3,4]]) jika Anda kemudian mengirisnya dengan x[[0],[1,2]] Anda mendapatkan satu dimensi array([2, 3]) Pendapat saya adalah ketika memilih vektor kolom atau baris yang terbaik adalah membuat potongannya sederhana dan kemudian menggunakan np.reshape, Jadi dalam contoh saya itu adalahnp.reshape(x[0,[1,2]],[1,2])

Alexander

1

yang lain, berhati-hatilah dengan titik koma pada akhirnya - itu penting, X[[10]]akan diartikan sebagai X[10]dan bentuk akan lebih kecil; serupa, X[[10, 20]] == X[10, 20]dan bentuknya bahkan lebih kecil

Ben Usman

1

Peringatan : jangan gabungkan cara pengindeksan ini hanya dengan pengindeksan integer! Jika Anda memiliki abentuk (10, 20, 30), maka a[0, :, [0]]akan memiliki bentuk (1, 20), bukan (20, 1), karena di indeks terakhir disiarkan a[[0], :, [0]]yang sering tidak seperti yang Anda harapkan! Padahal a[0, :, :1]akan memberi Anda (20, 1)seperti yang diharapkan. Selain itu, lihat komentar di atas untuk kasus tepi aneh dengan indeks tunggal. Secara keseluruhan, sepertinya metode ini memiliki terlalu banyak kasus tepi.

Ben Usman

Answer 9

2

Ini menyalin data array

Per

Answer 10

Ini tidak selalu terjadi. Lihat: x = np.array([[1,2,3,4]]) jika Anda kemudian mengirisnya dengan x[[0],[1,2]] Anda mendapatkan satu dimensi array([2, 3]) Pendapat saya adalah ketika memilih vektor kolom atau baris yang terbaik adalah membuat potongannya sederhana dan kemudian menggunakan np.reshape, Jadi dalam contoh saya itu adalahnp.reshape(x[0,[1,2]],[1,2])

Alexander

Answer 11

1

yang lain, berhati-hatilah dengan titik koma pada akhirnya - itu penting, X[[10]]akan diartikan sebagai X[10]dan bentuk akan lebih kecil; serupa, X[[10, 20]] == X[10, 20]dan bentuknya bahkan lebih kecil

Ben Usman

Answer 12

1

Peringatan : jangan gabungkan cara pengindeksan ini hanya dengan pengindeksan integer! Jika Anda memiliki abentuk (10, 20, 30), maka a[0, :, [0]]akan memiliki bentuk (1, 20), bukan (20, 1), karena di indeks terakhir disiarkan a[[0], :, [0]]yang sering tidak seperti yang Anda harapkan! Padahal a[0, :, :1]akan memberi Anda (20, 1)seperti yang diharapkan. Selain itu, lihat komentar di atas untuk kasus tepi aneh dengan indeks tunggal. Secara keseluruhan, sepertinya metode ini memiliki terlalu banyak kasus tepi.

Ben Usman

Answer 13

30

Saya menemukan beberapa solusi yang masuk akal.

1) gunakan numpy.take(X,[10],0)

2) gunakan pengindeksan aneh ini X[10:11:, :]

Idealnya, ini harus menjadi default. Saya tidak pernah mengerti mengapa dimensi pernah dijatuhkan. Tapi itu pembahasan untuk numpy ...

mindmatters
sumber

2

'dimensi' dihilangkan saat mengindeks daftar Python, alist[0]dan disimpan saat memotongnya.

hpaulj

5

Opsi 2 (yang dapat ditulis slice(n, n+1)untuk mengekstraksi indeks n) harus menjadi jawaban yang diterima, karena ini adalah satu-satunya yang meluas secara alami ke kasus dimensi-n.

norok2

Opsi 2 tampaknya dapat ditulis seperti X[10:11, :]dalam Python 3.7.5 (yaitu tanpa titik dua tambahan setelah 11)

Joe

Answer 14

2

'dimensi' dihilangkan saat mengindeks daftar Python, alist[0]dan disimpan saat memotongnya.

hpaulj

Answer 15

5

Opsi 2 (yang dapat ditulis slice(n, n+1)untuk mengekstraksi indeks n) harus menjadi jawaban yang diterima, karena ini adalah satu-satunya yang meluas secara alami ke kasus dimensi-n.

norok2

Answer 16

Opsi 2 tampaknya dapat ditulis seperti X[10:11, :]dalam Python 3.7.5 (yaitu tanpa titik dua tambahan setelah 11)

Joe

Answer 17

Inilah alternatif yang saya lebih suka. Alih-alih mengindeks dengan satu nomor, buat indeks dengan rentang. Artinya, gunakan X[10:11,:]. (Perhatikan bahwa 10:11tidak termasuk 11).

import numpy as np
X = np.zeros((100,10))
X.shape        # >> (100, 10)
xslice = X[10:11,:]
xslice.shape   # >> (1,10)

Ini membuatnya mudah untuk dipahami dengan lebih banyak dimensi juga, tidak ada Nonejuggling dan mencari tahu sumbu mana untuk menggunakan indeks mana. Juga tidak perlu melakukan pembukuan tambahan terkait ukuran array, hanya i:i+1untuk semua iyang akan Anda gunakan dalam pengindeksan biasa.

b = np.ones((2, 3, 4))
b.shape # >> (2, 3, 4)
b[1:2,:,:].shape  # >> (1, 3, 4)
b[:, 2:3, :].shape .  # >> (2, 1, 4)

Answer 18

4

Untuk menambah solusi yang melibatkan pengindeksan berdasarkan daftar atau larik oleh gnebehay, juga memungkinkan untuk menggunakan tupel:

X[(10,),:]

leilu
sumber

Answer 19

0

Hal ini sangat mengganggu jika Anda mengindeks oleh array yang mungkin berukuran panjang 1 saat runtime. Untuk kasus itu, ada np.ix_:

some_array[np.ix_(row_index,column_index)]

Jthorpe
sumber

Irisan indeks numpy tanpa kehilangan informasi dimensi

Jawaban: